BundledSLAM：一种使用多相机的精确视觉SLAM系统

最新推荐文章于 2024-09-11 09:31:37 发布

自动驾驶之心

最新推荐文章于 2024-09-11 09:31:37 发布

阅读量261

点赞数

CC 4.0 BY-SA版权

文章标签：数码相机

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247603576&idx=4&sn=ee1d2d4ea2fa87967a2118be5750fd2a&chksm=cf7ca00cf997a923ec66c293ba10e48ef3c07c716ab7f87e604ac066d4a8a0ce65f480ad8855&scene=126&sessionid=0

编辑 | 自动驾驶专栏

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心『SLAM』技术交流群

本文只做学术分享，如有侵权，联系删文

论文链接：https://arxiv.org/pdf/2403.19886.pdf

摘要

本文介绍了BundledSLAM：一种使用多相机的精确视觉SLAM系统。多相机SLAM系统提供了大量优势，主要源于它们能够融合来自宽视角的信息，从而改进了鲁棒性并且提高了定位精度。本项研究对最先进的双目SLAM系统（ORB-SLAM2）进行扩展和优化，目标是获得更高的精度。为了实现这一目标，首先将所有相机的测量数据映射到一个称为BundledFrame的虚拟相机中。这个虚拟相机经过精心设计，能够完美地适应多相机配置，有助于有效融合从多个相机采集的数据。此外，本文还在捆集调整（BA）过程中利用外参来实现精确的轨迹估计。本文对BA在多相机场景中的作用进行大量分析，深入研究其对跟踪、局部建图和全局优化的影响。本文的实验评估需要对真值数据和最先进的SLAM系统进行全面比较。为了严格评估系统的性能，本文使用了EuRoC数据集。评估结果一致表明，与现有方法相比，本文系统具有更优的精度。

主要贡献

本文的主要贡献总结如下：

1）全面性：本文为多相机提供了一个完整的SLAM系统，包括回环和地图复用；

2）可扩展性：通过利用一种称为“Bundled”的高效数据结构，将来自多相机的数据整合为“BundledFrame”或者“BundledKeyFrame”。这构成了系统所有操作的基石，包括跟踪、位置识别和优化。本文系统通过相机之间的外参实现捆集调整（BA），易于扩展额外的相机。

论文图片和表格

总结

本文提出了BundledSLAM，这是一种旨在利用多相机能力的视觉SLAM系统。该系统将来自各相机的数据集成到一个统一的“bundled frame”结构中，便于实时位姿跟踪、优化位姿和地图点的局部建图以及确保全局一致性的回环检测。本文使用EuRoC数据集进行评估，评估结果表明，本文所提出的系统始终优于原始系统，证明了其在最佳结果和平均结果方面的卓越精度。

为了增强系统的鲁棒性（特别是在运动模糊或者纹理特征有限的场景中），将打算探索传感器融合，可能加入惯性测量单元（IMUs）。然而，额外的传感器可能会引入计算复杂性。作为今后研究的一部分，将优先考虑降低这种计算复杂性的策略，同时维持甚至提高系统性能

投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！

① 全网独家视频课程

BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

网页端官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

国内最大最专业，近3000人的交流社区，已得到大多数自动驾驶公司的认可！涉及30+自动驾驶技术栈学习路线，从0到一带你入门自动驾驶感知（2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、大模型、端到端等，更有行业动态和岗位发布！欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频